¿Cuánto cuesta realmente la suscripción a un modelo de IA externo?
El coste más inmediato de contratar acceso a un modelo de IA externo es la suscripción o el consumo por tokens. Es un coste visible, fácil de presupuestar y, en las fases iniciales, relativamente bajo. El problema comienza cuando ese modelo deja de ser una herramienta puntual y se convierte en una dependencia operativa.
Los proveedores de los principales modelos del mercado han migrado progresivamente hacia estructuras de facturación por uso real. Microsoft integró Copilot en su suite empresarial con subidas de precio escalonadas desde 2025, y las APIs de los modelos más avanzados de OpenAI o Google siguen una lógica de consumo variable que puede escalar de forma significativa en entornos de producción. Para una empresa que comenzó pagando una cantidad fija mensual por una herramienta de IA y la ha integrado en su operativa diaria, el salto a una facturación basada en uso puede representar un cambio presupuestario que no estaba contemplado.
A esto se suma un patrón histórico que conviene tener presente, aunque proceda del software empresarial en general y no específicamente de la IA: un estudio de Capiche sobre cien aplicaciones de negocio (recogido por The Next Web) encontró que 67 de ellas subieron el precio un 98% de media entre 2009 y 2019, y que los precios del software subieron un 62% en esa misma década, tres veces por encima de la inflación media. No hay ninguna razón estructural para pensar que la IA vaya a comportarse de otra forma.
¿Qué costes ocultos tiene depender de un proveedor de IA externo?
Más allá de la factura, la dependencia de un proveedor externo genera una capa de costes que pocas organizaciones calculan antes de comprometerse.
El coste de los datos de salida
Trasladar ventanas de contexto masivas entre regiones de nube implica tarifas de egreso elevadas, y el almacenamiento vectorial necesario para pipelines de recuperación aumentada de información (RAG) conlleva tarifas mensuales mínimas que se acumulan aunque la aplicación esté inactiva.
La proliferación no coordinada de herramientas
Cuando distintos equipos compran herramientas de IA de forma independiente, para redacción, análisis de documentos o integración directa con modelos de lenguaje, el resultado son funciones duplicadas que elevan el coste total de propiedad. Cada integración adicional crea además una nueva superficie de exposición: según el informe 2026 AI Adoption & Risk Report de Cyberhaven Labs, el 39,7% de las interacciones con herramientas de IA ya contiene datos corporativos sensibles, frente al 34,8% del informe de 2025 y al 27,4% del informe de 2024. La tendencia es clara y va en una sola dirección.
El coste de migración
Cuando los datos y procesos se integran profundamente con la plataforma del proveedor, migrar requiere rehacer gran parte de la infraestructura y el código. Los costes de licencias, consultoría y formación necesarios para ese cambio actúan como barrera de salida. Cuanto más tiempo lleva operando una organización con un proveedor específico, más alto resulta ese coste potencial, y menor es su poder de negociación real; en casos documentados de migración forzada tras el cierre de un proveedor, el coste de recomponer decenas de flujos de IA ha superado los 300.000 dólares, sin contar el tiempo de ingeniería ni la degradación temporal del servicio.
¿Por qué el vendor lock-in en IA es distinto al de otro software?
La dependencia de proveedor en tecnología no es un concepto nuevo, pero en inteligencia artificial adquiere dimensiones específicas que merecen atención directiva. Se produce cuando el coste y el esfuerzo de cambiar a otro proveedor son tan elevados que el cliente queda prácticamente obligado a continuar con el original, incluso si la calidad del servicio disminuye, si el producto cambia drásticamente o si el proveedor impone aumentos de precio.
En el contexto de la IA, esta dinámica se amplifica porque el modelo no es solo una herramienta: es la lógica sobre la que se construyen flujos de trabajo, automatizaciones y decisiones de negocio. Cuando el modelo cambia, sus salidas cambian. Cuando el proveedor actualiza sus políticas de uso, tu empresa necesita adaptarse. Cuando hay una interrupción del servicio, la operativa se detiene. Un estudio de Boston Consulting Group sobre dependencia de plataformas digitales en general (no específico de IA, pero de patrón directamente trasladable a los proveedores de modelos), realizado en noviembre de 2025 entre 500 responsables de compras de tecnología, constató que el 62% de ellos expresa preocupación activa por el lock-in, mientras que el 70% ya analiza alternativas en el mercado y el 64% opera con más de una plataforma de forma simultánea. La señal es clara: la dependencia se percibe como un riesgo estratégico, no solo como un problema técnico. Diseñar la arquitectura para operar con más de un modelo desde el inicio es, precisamente, una de las formas más directas de reducir esa exposición.
¿Cómo afecta el AI Act a las empresas que usan modelos externos?
Hay un factor que muchos equipos directivos todavía no han incorporado al análisis de costes: el cumplimiento del Reglamento Europeo de Inteligencia Artificial. El AI Act (Reglamento (UE) 2024/1689) es el primer marco jurídico integral en materia de IA y establece normas para los proveedores de modelos, incluyendo transparencia y evaluación de riesgos sistémicos. Sus normas sobre modelos de IA de propósito general están en vigor desde agosto de 2025.
El calendario ha cambiado en las últimas semanas y conviene tenerlo actualizado: el 29 de junio de 2026 el Consejo de la Unión Europea dio luz verde definitiva al paquete de simplificación conocido como Digital Omnibus, tras el respaldo del Parlamento Europeo el 16 de junio. Solo falta su publicación en el Diario Oficial de la UE, prevista antes del 2 de agosto de 2026. Con ese texto, las obligaciones para los sistemas de IA de alto riesgo del Anexo III (selección de personal, scoring crediticio, biometría, educación, entre otros) se trasladan del 2 de agosto de 2026 al 2 de diciembre de 2027, y las del Anexo I (IA integrada en productos regulados) a agosto de 2028. Lo que no cambia es la obligación de transparencia del artículo 50 (avisar cuando se interactúa con un sistema de IA o se genera contenido sintético), que sigue entrando en vigor el 2 de agosto de 2026, ni las prohibiciones ni el régimen sancionador, vigentes desde 2025.
La clave para las empresas que usan modelos externos sigue siendo la misma: aunque el proveedor cumpla con las obligaciones que le corresponden, el desplegador (la empresa que usa el modelo) no queda exento. Debe verificar la idoneidad del caso de uso, informar a los usuarios cuando corresponda y asegurar supervisión humana con controles proporcionales. Esa responsabilidad es intransferible.
Lo que esto significa en la práctica es que, si tu empresa opera con un modelo externo para procesos que afectan a personas, y ese modelo no permite auditoría ni trazabilidad completa, el riesgo regulatorio recae sobre tu organización. Las multas por incumplimiento del AI Act pueden alcanzar los 15 millones de euros o el 3% del volumen de negocio mundial por incumplimientos generales, y hasta 35 millones o el 7% por prácticas prohibidas. En España, la supervisión recae en la Agencia Española de Supervisión de Inteligencia Artificial (AESIA), que ya tiene capacidad de investigar y sancionar desde agosto de 2025.
¿Qué se pierde cuando toda la inteligencia vive fuera de la empresa?
Hay un coste de oportunidad que no aparece en ninguna hoja de cálculo pero que en LurNova vemos con frecuencia: el conocimiento sobre el modelo que una empresa no llega a desarrollar cuando opera sobre infraestructura ajena. Saber qué modelo funciona mejor para cada caso de uso, cómo estructurar los procesos para reducir consumo, qué datos realmente necesita el sistema y cuáles son superfluos: todo eso es conocimiento organizacional que no se acumula cuando la inteligencia clave vive fuera de la empresa.
Según el informe The State of AI 2025 de McKinsey & Company, el 88% de las empresas ya usa IA en al menos una función, pero solo un tercio la ha escalado de verdad a nivel empresarial. Los dos tercios restantes siguen en fase de piloto, en muchos casos porque no controlan suficientemente el sistema como para poder escalarlo con seguridad. Esa es exactamente la trampa de la dependencia externa: la herramienta está disponible, pero la autonomía para desplegarla con criterio no.
Las empresas que han optado por modelos privados o infraestructura propia de IA tienden a desarrollar una curva de aprendizaje que se convierte en ventaja competitiva duradera. No solo conocen mejor sus herramientas, también mantienen la capacidad de cambiarlas, de auditarlas y de adaptarlas cuando el negocio lo requiere. Eso tiene un valor que no aparece en el contrato con ningún proveedor externo.
Conclusión
Depender de un modelo de IA externo tiene un coste real que la mayoría de las organizaciones subestima porque lo calculan mirando solo la parte visible: la suscripción o el coste por llamada. El coste completo incluye la escalada variable de precios a medida que el uso crece, los costes de migración que actúan como barrera de salida, la exposición regulatoria bajo el AI Act y, sobre todo, la pérdida progresiva de autonomía sobre una capacidad que cada vez importa más para el negocio.
En LurNova trabajamos con empresas que quieren implantar IA de forma que la decisión tenga sentido no solo hoy, sino dentro de tres años. Eso implica analizar el coste total de propiedad antes de elegir proveedor, entender qué nivel de trazabilidad y auditoría exige la regulación para cada caso de uso, y diseñar una arquitectura que preserve la independencia operativa del cliente. Si quieres revisar cómo está estructurada actualmente tu dependencia de IA y qué opciones tienes para reducirla, podemos empezar por ahí.
CEO de LurNova, con una amplia trayectoria en tecnología y transformación digital. Vinculado al desarrollo de proyectos tecnológicos y a la aplicación de inteligencia artificial en las organizaciones, combina conocimiento técnico y visión empresarial.
